CN112926773A - 乘车安全预警方法、装置、电子设备及存储介质 - Google Patents
乘车安全预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112926773A CN112926773A CN202110200799.9A CN202110200799A CN112926773A CN 112926773 A CN112926773 A CN 112926773A CN 202110200799 A CN202110200799 A CN 202110200799A CN 112926773 A CN112926773 A CN 112926773A
- Authority
- CN
- China
- Prior art keywords
- data
- passenger
- abnormal
- behavior
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 91
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 230000006399 behavior Effects 0.000 claims description 121
- 230000015654 memory Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 11
- 238000012954 risk control Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 9
- 238000013178 mathematical model Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Emergency Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种乘车安全预警方法、装置、电子设备及存储介质,涉及人工智能技术领域,其中乘车安全预警方法包括:获取预设时段内的待检测乘客数据;从所述待检测乘客数据中提取出目标乘客行为特征;利用预测模型训练所述目标乘客行为特征,得到乘客行为数据;根据所述乘客行为数据识别异常乘客;根据所述异常乘客生成异常预警信息。上述乘车安全预警方法,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其是涉及一种乘车安全预警方法、装置、电子设备及存储介质。
背景技术
地铁作为公共场合,客流量大、人员密集、成分复杂,站内及车厢空间相对封闭,一直以内都是猥亵、扒窃等违法行为的高发地。针对地铁上的已发生的违法犯罪行为,民警往往需要查看大量的视频录像去取证,虽然地铁站厅内监控摄像头较多,但由于地铁站点客流大(换乘站尤为突出),使得地铁站厅和地铁车厢内的取证均相对较困难,无法识别出潜在的异常乘车人员。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明实施例提出一种乘车安全预警方法,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
本发明实施例还提出一种乘车安全预警装置。
本发明实施例还提出一种电子设备。
本发明实施例还提出一种计算机可读存储介质。
根据本发明的第一方面实施例的乘车安全预警方法,包括:
获取预设时段内的待检测乘客数据;
从所述待检测乘客数据中提取出目标乘客行为特征;
利用预测模型训练所述目标乘客行为特征,得到乘客行为数据;
根据所述乘客行为数据识别异常乘客;
根据所述异常乘客生成异常预警信息。
根据本发明第一方面实施例的乘车安全预警方法,至少具有如下有益效果:通过获取预设时段内的待检测乘客数据,然后从待检测乘客数据中提取出目标乘客行为特征,再利用预测模型训练目标乘客行为特征,得到乘客行为数据,最后根据乘客行为数据识别异常乘客,并根据异常乘客生成异常预警信息,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
根据本发明的一些实施例,所述根据所述乘客行为数据识别异常乘客,包括:获取所述乘客行为数据对应的预设标签;根据所述预设标签从所述乘客行为数据中提取出异常数据,根据所述异常数据识别出所述异常乘客。
根据本发明的一些实施例,所述方法还包括构建所述预测模型,具体包括:获取待训练乘客数据;根据所述待训练乘客数据构建初始训练模型;从所述待训练乘客数据中提取出训练行为特征;根据所述训练行为特征对所述初始训练模型进行训练,得到所述预测模型。
根据本发明的一些实施例,所述根据所述训练行为特征对所述初始训练模型进行训练,得到所述预测模型,包括:获取预设迭代次数;根据所述预设迭代次数和所述训练行为特征对所述初始训练模型进行更新;从更新得到的多个所述初始训练模型中选取出所述预测模型。
根据本发明的一些实施例,所述获取预设时段内的待检测乘客数据,包括:获取初始乘客数据;根据所述预设时段对所述初始乘客数据进行修复,得到所述待检测乘客数据。
根据本发明的一些实施例,所述预设时段包括:第一时段、第二时段和第三时段;所述根据所述预设时段对所述初始乘客数据进行修复,得到所述待检测乘客数据,包括:根据所述第一时段、所述第二时段和所述第三时段对所述初始乘客数据进行修复,得到第一出行数据、第二出行数据和第三出行数据;根据所述第一出行数据、所述第二出行数据和所述第三出行数据计算出所述待检测乘客数据。
根据本发明的一些实施例,所述待检测乘客数据包括待填充数据;所述从所述待检测乘客数据中提取出目标乘客行为特征,包括:从所述待检测乘客数据中提取出所述待填充数据;对所述待填充数据进行填充处理;根据填充处理后的待检测乘客数据中提取出所述目标乘客行为特征。
根据本发明的第二方面实施例的乘车安全预警装置,包括:
获取模块,用于获取预设时段内的待检测乘客数据;
提取模块,用于从所述待检测乘客数据中提取出目标乘客行为特征;
训练模块,用于利用预测模型训练所述目标乘客行为特征,得到乘客行为数据;
识别模块,用于根据所述乘客行为数据识别异常乘客;
预警模块,用于根据所述异常乘客生成异常预警信息。
根据本发明第二方面实施例的乘车安全预警装置,至少具有如下有益效果:通过执行本发明第一方面实施例的乘车安全预警方法,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
根据本发明第三方面实施例的电子设备,包括:至少一个处理器,以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现第一方面所述的乘车安全预警方法。
根据本发明第三方面实施例的电子设备,至少具有如下有益效果:通过执行本发明第一方面实施例的乘车安全预警方法,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
根据本发明第四方面实施例的计算机可读存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行第一方面所述的乘车安全预警方法。
根据本发明第四方面实施例的计算机可读存储介质,至少具有如下有益效果:通过执行本发明第一方面实施例的乘车安全预警方法,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的乘车安全预警方法的流程示意图;
图2为本发明实施例的获取预设时段内的待检测乘客数据的流程示意图;
图3为本发明实施例的乘车安全预警装置的结构示意图;
图4为本发明实施例的电子设备的功能模块图。
附图标记:
获取模块300、提取模块310、训练模块320、识别模块330、预警模块340、处理器400、存储器410、数据传输模块420、摄像头430、显示屏440。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
首先,对本申请中涉及的若干名词进行解析:
1、OD交通量:“O”为ORIGIN,指出行的出发地点;“D”为DESTINATION,指出行的目的地,即交通出行量。
2、GBDT:Gradient Boosting Decision Tree,是一种迭代的决策树算法,属于boosting算法中的杰出代表,被认为是一种泛化能力较强的算法。在boosting算法中,首先需要初始化样本权重,然后各基学习器按一定的先后顺序分别进行训练,根据第i个基学习器训练得到的结果,增大错误样本的权重,同时减小正确样本的权重,再利用第i+1个学习器对其进行学习,依次进行下去,最终得到n个学习器,合并这n个学习器的结果做最终答案。
3、Stacking模型:Stacking是一种分层次的模型融合方法,主要思想是基于底层学习器的预测结果进行二次训练,为防止过拟合,底层学习器通常采用k折交叉验证的方式生成新数据集且最后一层学习器往往采用的是简单模型。
地铁作为公共场合,客流量大、人员密集、成分复杂,站内及车厢空间相对封闭,一直以内都是猥亵、扒窃等违法行为的高发地。针对地铁上的已发生的违法犯罪行为,民警往往需要查看大量的视频录像去取证,虽然地铁站厅内监控摄像头较多,但由于地铁站点客流大(换乘站尤为突出),使得地铁站厅和地铁车厢内的取证均相对较困难,无法识别出潜在的异常乘车人员。
基于此,本发明实施例提出一种乘车安全预警方法、装置、电子设备及存储介质,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
参照图1,根据本发明第一方面实施例的乘车安全预警方法,包括:
步骤S100,获取预设时段内的待检测乘客数据。
其中,待检测乘客数据可以是用于检测的乘客在起终点间的交通出行量(即OD交通量),待检测乘客数据可以从乘客的地铁卡(票卡)数据和乘车码数据中随机提取得到;预设时段可以是预先设置的一个时间段。可选的,假设预设时段为两周时间范围内每天的早高峰、晚高峰及平峰三个时间段,则可以分别获取早高峰、晚高峰和平峰三个时间段范围内的OD交通量,得到待检测乘客数据。
步骤S110,从待检测乘客数据中提取出目标乘客行为特征。
其中,目标乘客行为特征可以是乘客出行时在时间维度和空间维度上的行为特征,目标乘客行为特征可以是多个。可选的,假设待检测乘客数据为两周内乘客的OD交通量,可以对待检测乘客数据进行特征提取,得到乘客在时间维度上的行为特征包括:乘车总时长、同站进出总时长、当天OD耗时比值的平均值、平均刷卡时间间隔等,在空间维度上的行为特征包括:目的地数量、同站进出数量、当天相同站点最大访问次数等,由此得到目标乘客行为特征,例如得到目标乘客行为特征包括:最小刷卡记录数、平均刷卡记录数、最大刷卡记录数、总乘车耗时、同站进出总记录数等。
步骤S120,利用预测模型训练目标乘客行为特征,得到乘客行为数据。
其中,乘客行为数据可以是预测模型进行预测后带上标签的数据,包括:正常行为数据和异常行为数据;预测模型可以是用于对乘客的行为数据进行预测的数学模型。可选的,预测模型可以根据需求预先训练得到,例如,预测模型可以是训练好的GBDT模型,也可以是训练好的Stacking模型,还可以是其他训练好的数学模型。可以将目标乘客行为特征进行特征提取,并将特征提取后的目标乘客行为特征作为预测模型的输入,并获取预测模型输出的乘客行为数据。可以根据乘客行为数据对应的标签来确定预测模型输出的乘客行为数据是正常行为数据和/或异常行为数据。
步骤S130,根据乘客行为数据识别异常乘客。
其中,异常乘客可以是出行数据可疑的异常人员。可选的,由于乘客行为数据可以包括正常行为数据和异常行为数据,所以可以对乘客行为数据进行分析,例如对乘客行为数据进行分析得到异常行为数据,并根据异常行为数据识别出异常乘客。
步骤S140,根据异常乘客生成异常预警信息。
其中,异常预警信息可以是异常预警提示,用于对异常乘客进行预警。可选的,可以对异常乘客进行提前预警,具体的,可以就异常乘客生成异常预警信息,以便对该异常乘客进行有效防控,从而可以实现乘车安全的预警。
上述乘车安全预警方法,通过获取预设时段内的待检测乘客数据,然后从待检测乘客数据中提取出目标乘客行为特征,再利用预测模型训练目标乘客行为特征,得到乘客行为数据,最后根据乘客行为数据识别异常乘客,并根据异常乘客生成异常预警信息,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
在本发明的一些实施例中,根据乘客行为数据识别异常乘客,根据异常乘客生成异常预警信息,包括:
获取乘客行为数据对应的预设标签。其中,预设标签可以由预测模型对乘客行为数据进行预测后,对乘客行为数据进行标记的数据标签。可选的,预设标签可以包括:正常和异常,则可以分别获取每一乘客行为数据对应的预设标签,例如得到乘客行为数据A的预设标签为正常,得到乘客行为数据B的预设标签为异常。
根据预设标签从乘客行为数据中提取出异常数据。可选的,预设标签可以包括:正常和异常,因此可以根据预设标签确定预测模型输出的乘客行为数据为正常数据和/或异常数据,可以从乘客行为数据中提取出预设标签为异常的乘客行为数据,即得到异常数据。
根据异常数据识别出异常乘客。可选的,可以对异常数据进行分析,判断异常数据对应的异常乘客,即识别出异常乘客,实现对进入地铁内的可疑异常人员的精准识别,有效防止了潜在违法犯罪行为的发生。
在本发明的一些实施例中,乘车安全预警方法还包括训练得到预测模型,具体包括:
获取待训练乘客数据。其中,待训练乘客数据可以是用于训练预测模型的、一段时间范围内乘客在起终点间的交通出行量,即用于训练的OD交通量。可选的,待训练乘客数据可以从票卡数据和乘车码数据中随机提取得到,假设可以获取两周时间范围内乘客的用于训练的OD交通量,得到待检测乘客数据。在一些具体的实施例中,可以将待训练乘客数据中已被处置的猥亵、扒窃人员标记为异常,剩余的其他人员标记为正常。
根据待训练乘客数据构建初始训练模型。可选的,可以根据需求选择需要进行训练的GBDT模型作为初始训练模型,也可以根据需求选择需要进行训练的Stacking模型作为初始训练模型,还可以选择其他数学模型作为初始训练模型。可以根据用于训练预测模型的乘客的OD交通量构建基础数学模型,例如根据待训练乘客数据构建初始的GBDT模型,即初始化GBDT模型的样本权重,得到初始训练模型。
从待训练乘客数据中提取出训练行为特征。其中,训练行为特征可以是用于训练预测模型的乘客出行时在时间维度和空间维度上的行为特征。可选的,可以从待训练乘客数据中提取出最小刷卡记录数、平均刷卡记录数、最大刷卡记录数、总乘车耗时、同站进出总记录数、最小同站进出数等特征,由此得到训练行为特征。
根据训练行为特征对初始训练模型进行训练,得到预测模型。可选的,以构建初始的GBDT模型为初始训练模型为例,可以将多个训练行为特征进行特征提取,并将特征提取后的多个训练行为特征作为初始的GBDT模型的输入,并设置该GBDT模型相应的模型参数(如迭代次数或精度),使得该GBDT模型进行迭代训练,直到到达给定的迭代次数或精度,从而可以从训练好的多个GBDT模型中选取出一个最佳的模型作为预测模型。在一些具体的实施例中,可以根据待训练乘客数据中已标记为异常或正常的人员来确定训练得到的多个模型的精度,即,判断训练得到的多个模型输出的正常人员和异常人员是否与待训练乘客数据中已标记为异常或正常的人员相符,即可计算得到训练得到的多个模型的精度,可以选取出精度最高的模型为预测模型。可选的,以选择Stacking模型为初始训练模型为例,可以将多个训练行为特征进行特征提取,并将特征提取后的多个训练行为特征作为Stacking模型的输入,在其最后一层采用逻辑回归算法(LR)进行模型融合,从而可以得到预测模型。通过获取待训练乘客数据,然后根据待训练乘客数据构建初始训练模型,再从待训练乘客数据中提取出训练行为特征,最后根据提取到的训练行为特征对初始训练模型进行训练,得到精确有效的预测模型。
在本发明的一些实施例中,根据训练行为特征对初始训练模型进行训练,得到预测模型,包括:
获取预设迭代次数。其中,预设迭代次数可以是预先设置的初始训练模型迭代的次数。可选的,预设迭代次数可以根据需求设置,例如,可以设预设迭代次数的取值范围为(100,500),其中,为保证训练得到的预测模型的精度,可以设置预设迭代次数的最佳值为300,即可得到预设迭代次数为300。
根据预设迭代次数和训练行为特征对初始训练模型进行更新。可选的,以选择GBDT模型为初始训练模型为例,假设预设迭代次数为300,则可以将特征提取后的训练行为特征作为GBDT模型的输入,使得GBDT模型一直进行更新迭代,直至达到预设迭代次数(300次),此时模型停止,得到更新后的多个初始训练模型。
从更新得到的多个初始训练模型中选取出预测模型。可以从多次迭代得到的多个初始训练模型中选取出表现最佳的模型作为预测模型,例如可以选取精度最高的初始训练模型作为预测模型。根据预设迭代次数和训练行为特征对初始训练模型进行更新,从更新得到的多个初始训练模型中选取出预测模型,可以确保预测模型的精度。
参照图2,在本发明的一些实施例中,获取预设时段内的待检测乘客数据,包括:
步骤S200,获取初始乘客数据。
其中,初始乘客数据可以包括乘客的票卡数据和乘车码数据。可选的,可以是获取预设时段内乘客的票卡数据和乘车码数据,例如获取两周内乘客的票卡数据和乘车码数据,由此得到初始乘客数据。
步骤S210,根据预设时段对初始乘客数据进行修复,得到待检测乘客数据。
可选的,由于不同预设时段内相同OD的出行耗时存在差异,因此需要对预设时段内的初始乘客数据进行时间修正,具体的,可以采用以下公式对初始乘客数据进行时间修正:
其中:timeRatio表示该乘客在当天各OD耗时与OD平均耗时比值的均值,avgotherId表示其它乘客在当天相同时段内在该OD上的平均耗时,avgcurrentId表示该乘客历史记录中在当前OD上的平均耗时。在进行时间修正时,到达时间应该满足一定的约束条件:arrivalTimeformer表示该乘客上一条记录的到达时间,departTimelater表示下一条记录的出发时间。若该乘客当天至少存在一条记录正常,则m=0.5,n=0.5,否则m=0,n=1。即可通过上述公式①对初始乘客数据进行修复,可以从修复后的初始乘客数据中随机提取出多个数据作为待检测乘客数据。通过对初始乘客数据进行修复,得到待检测乘客数据,可以保证待检测乘客数据的准确性,从而提高了预测精度,有效实现智慧防控。
在本发明的一些实施例中,预设时段包括:第一时段、第二时段和第三时段。其中,第一时段可以是单天的早高峰,第二时段可以是单天出行的晚高峰,第三时段可以是单天出行的平峰。
根据预设时段对初始乘客数据进行修复,得到待检测乘客数据,包括:
根据第一时段、第二时段和第三时段对初始乘客数据进行修复,得到第一出行数据、第二出行数据和第三出行数据。可选的,假设第一时段为早高峰、第二时段为晚高峰、第三时段为平峰,由于早高峰、晚高峰和平峰相同OD的出行耗时存在差异,所以可以根据早高峰、晚高峰和平峰对初始乘客数据进行修复,具体的,可以计算出该乘客在当天的早高峰、晚高峰和平峰的各OD耗时与OD平均耗时比值的均值timeRatio,得到第一出行数据;可以计算出其它乘客在当天的早高峰、晚高峰和平峰相同时段内在该OD上的平均耗时avgotherId,得到第二出行数据;可以计算出该乘客历史记录中在当前OD上的平均耗时avgcurrentId,得到第三出行数据。
根据第一出行数据、第二出行数据和第三出行数据计算出待检测乘客数据。可选的,可以将第一出行数据timeRatio、第二出行数据avgotherId和第三出行数据avgcurrentId代入上述公式①,对初始乘客数据进行修复,然后可以从修复后的初始乘客数据中随机提取出待检测乘客数据。通过对初始乘客数据进行修复,得到第一出行数据、第二出行数据和第三出行数据,然后根据第一出行数据、第二出行数据和第三出行数据计算出待检测乘客数据,可以提高待检测乘客数据的准确性。
在本发明的一些实施例中,待检测乘客数据包括待填充数据。
从待检测乘客数据中提取出目标乘客行为特征,包括:
从待检测乘客数据中提取出待填充数据。其中,待填充数据可以是需要进行数据处理的待检测乘客数据。可选的,假设预设时段为两周,滑动间隔为一周,即可以根据近两周的乘客的OD交通量来预测未来一周内可能出现的异常乘客。但由于部分乘客票卡记录在当前滑动时间窗口下存在一定的缺失,所以在对待检测乘客数据进行特征提取时,需要提取出存在缺失的部分数据,即得到待填充数据。
对待填充数据进行填充处理。可选的,可以采用前向插值的方式对待填充数据进行填充,前向插值即在某时刻如果没有值,则查询离其最近的前一时刻的值作为该时刻的值。
根据填充处理后的待检测乘客数据中提取出目标乘客行为特征。可选的,可以基于填充完整后的待检测乘客数据进行特征提取,得到多个目标乘客行为特征。通过从待检测乘客数据中提取出待填充数据,再对待填充数据进行填充处理,从填充处理后的待检测乘客数据中提取出目标乘客行为特征,可以减少数据误差,提高目标乘客行为特征的精度。
下面以一个具体的实施例详细描述本发明实施例的乘车安全预警方法的过程。需要理解的是,下面描述仅是示例性说明,而不是对本发明的具体限制。
乘车安全预警方法,执行以下步骤:
第一步,获取一定时间范围内的票卡数据和乘车码数据,根据票卡数据和乘车码数据提取出乘客OD。
具体的,可以选择时间窗大小为两周,滑动间隔为一周,即根据近两周的刷卡记录来预测未来一周内可能出现的异常乘客。则可以获取两周内的乘客的票卡数据和乘车码数据,可以将票卡数据和乘车码数据中已被处置的猥亵、扒窃人员标记为异常,剩余人员标记为为正常,最后从标记后的两周内的乘客的票卡数据和乘车码数据中随机选取得到乘客OD。
第二步,对乘客OD进行修复。
针对合并后部分OD乘车时长异常的修复公式如下:
由于不同时段内相同OD的出行耗时存在差异,因此,可以将出行时段划分成早高峰、晚高峰及平峰。可以用ID表示乘客的信息,则上述公式中:timeRatio表示该ID当天各OD耗时与OD平均耗时比值的均值,avgotherId表示其它ID在当天相同时段内在该OD上的平均耗时,avgcurrentId表示该ID历史记录中在当前OD上的平均耗时。在进行时间修正时,考虑到根据修正时间得到的到达时间应该满足一定的约束条件:arrivalTimeformer表示该ID上一条记录的到达时间,departTimelater表示下一条记录的出发时间。若该ID当天至少存在一条记录正常,则m=0.5,n=0.5,否则m=0,n=1。即通过上述公式完成对乘客OD的修复。
第三步,基于修复后的OD,获取乘客出行单天在时空上的行为特征。
其中时间维度主要包括:乘车总时长、同站进出总时长、当天OD耗时比值的平均值、平均刷卡时间间隔等;空间维度主要包括:目的地数量、同站进出数量、当天相同站点最大访问次数等。由于部分乘客票卡记录在当前滑动时间窗口下可能存在一定的缺失,所以在对修复后的OD进行特征提取时,可以采用前向插值的方式进行数据填充处理,基于填充完整后的数据,最终提取到的乘客出行单天在时空上的行为特征包括:最小刷卡记录数、平均刷卡记录数、最大刷卡记录数、总刷卡记录数、最小乘车总耗时、平均乘车总耗时、最大乘车总耗时、总乘车耗时、最小目的地数等。
第四步,利用预测模型训练行为特征,得到乘客的行为数据。
预测模型可以是训练好的GBDT模型,也可以是训练好的Stacking模型,还可以是其他训练好的数学模型。以训练好的GBDT模型为例,将上述行为特征作为GBDT模型的输入,并获取GBDT模型输出的乘客的行为数据,即预测模型预测后带上标签的数据,可以根据乘客的行为数据对应的标签来确定预测模型输出的乘客行为数据是正常行为数据和/或异常行为数据。在一些具体的实施例中,可以通过如下方法获得训练好的预测模型:可以从一定时间范围内的票卡数据和乘车码数据中随机提取出训练OD数据,然后根据训练OD数据构建初始训练模型,初始训练模型可以是需要训练的GBDT模型,也可以是需要训练的Stacking模型,还可以是其他数学小莫。进而可以对训练OD数据进行特征提取,得到多个训练行为特征。可以选择初始训练模型,例如选择需要训练的GBDT模型,设置相应的模型参数(如迭代次数或精度。假设最大迭代次数的取值范围为(100,500)),使得需要训练的GBDT模型一直进行迭代训练,直到到达给定的迭代次数(例如设置最佳迭代次数为300)或精度,此时需要训练的GBDT模型停止。当待训练的GBDT模型训练完成后,可以根据模型训练好坏,重新调整模型参数,最终选择表现最佳的一个GBDT模型作为预测模型。
第五步,根据预测模型输出数据的标签(正常或异常)识别出异常乘客,并根据异常乘客生成异常预警信息。
可选的,预测模型输出的行为数据包括正常行为数据和异常行为数据,因此可以提取出异常行为数据,并根据异常行为数据识别出异常乘客,从而可以快速地从上百万客流中识别出极少数潜在的异常乘客,并根据异常乘客生成异常预警信息,可以对进入地铁内的可疑异常人员进行快速预警,有效防止了潜在违法犯罪行为的发生。
上述乘车安全预警方法,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
参照图3,根据本发明第二方面实施例的乘车安全预警装置,包括:
获取模块300,用于获取预设时段内的待检测乘客数据;
提取模块310,用于从待检测乘客数据中提取出目标乘客行为特征;
训练模块320,用于利用预测模型训练目标乘客行为特征,得到乘客行为数据;
识别模块330,用于根据乘客行为数据识别异常乘客;
预警模块340,根据异常乘客生成异常预警信息。
上述乘车安全预警装置,通过执行本发明第一方面实施例的乘车安全预警方法,能够对进入地铁站内的异常乘客进行提前预警,有效实现智慧防控、精准打击,提升了对于乘客风险的掌控能力及地铁治安工作的效率。
参照图4,本发明第三方面实施例还提供了一种电子设备功能模块图,包括:至少一个处理器400,以及与至少一个处理器400通信连接的存储器410;还可以包括数据传输模块420、摄像头430、显示屏440。
其中,处理器400通过调用存储器410中存储的计算机程序,用于执行第一方面实施例中的乘车安全预警方法。
存储器作为一种非暂态存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本发明第一方面实施例中的乘车安全预警方法。处理器通过运行存储在存储器中的非暂态软件程序以及指令,从而实现上述第一方面实施例中的乘车安全预警方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储执行上述第一方面实施例中的乘车安全预警方法。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述第一方面实施例中的乘车安全预警方法所需的非暂态软件程序以及指令存储在存储器中,当被一个或者多个处理器执行时,执行上述第一方面实施例中的乘车安全预警方法。
本发明第四方面实施例还提供了计算机可读存储介质,存储有计算机可执行指令,该计算机可执行指令用于:执行第一方面实施例中的乘车安全预警方法。
在一些实施例中,该存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被第三方面实施例的电子设备中的一个处理器执行,可使得上述一个或多个处理器执行上述第一方面实施例中的乘车安全预警方法。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.乘车安全预警方法,其特征在于,包括:
获取预设时段内的待检测乘客数据;
从所述待检测乘客数据中提取出目标乘客行为特征;
利用预测模型训练所述目标乘客行为特征,得到乘客行为数据;
根据所述乘客行为数据识别异常乘客;
根据所述异常乘客生成异常预警信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述乘客行为数据识别异常乘客,包括:
获取所述乘客行为数据对应的预设标签;
根据所述预设标签从所述乘客行为数据中提取出异常数据;
根据所述异常数据识别出所述异常乘客。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括构建所述预测模型,具体包括:
获取待训练乘客数据;
根据所述待训练乘客数据构建初始训练模型;
从所述待训练乘客数据中提取出训练行为特征;
根据所述训练行为特征对所述初始训练模型进行训练,得到所述预测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述训练行为特征对所述初始训练模型进行训练,得到所述预测模型,包括:
获取预设迭代次数;
根据所述预设迭代次数和所述训练行为特征对所述初始训练模型进行更新;
从更新得到的多个所述初始训练模型中选取出所述预测模型。
5.根据权利要求1所述的方法,其特征在于,所述获取预设时段内的待检测乘客数据,包括:
获取初始乘客数据;
根据所述预设时段对所述初始乘客数据进行修复,得到所述待检测乘客数据。
6.根据权利要求5所述的方法,其特征在于,所述预设时段包括:第一时段、第二时段和第三时段;
所述根据所述预设时段对所述初始乘客数据进行修复,得到所述待检测乘客数据,包括:
根据所述第一时段、所述第二时段和所述第三时段对所述初始乘客数据进行修复,得到第一出行数据、第二出行数据和第三出行数据;
根据所述第一出行数据、所述第二出行数据和所述第三出行数据计算出所述待检测乘客数据。
7.根据权利要求1所述的方法,其特征在于,所述待检测乘客数据包括待填充数据;
所述从所述待检测乘客数据中提取出目标乘客行为特征,包括:
从所述待检测乘客数据中提取出所述待填充数据;
对所述待填充数据进行填充处理;
根据填充处理后的待检测乘客数据中提取出所述目标乘客行为特征。
8.乘车安全预警装置,其特征在于,包括:
获取模块,用于获取预设时段内的待检测乘客数据;
提取模块,用于从所述待检测乘客数据中提取出目标乘客行为特征;
训练模块,用于利用预测模型训练所述目标乘客行为特征,得到乘客行为数据;
识别模块,用于根据所述乘客行为数据识别异常乘客;
预警模块,用于根据所述异常乘客生成异常预警信息。
9.电子设备,其特征在于,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如权利要求1至7任一项所述的乘车安全预警方法。
10.计算机可读存储介质,其特征在于,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的乘车安全预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200799.9A CN112926773A (zh) | 2021-02-23 | 2021-02-23 | 乘车安全预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200799.9A CN112926773A (zh) | 2021-02-23 | 2021-02-23 | 乘车安全预警方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926773A true CN112926773A (zh) | 2021-06-08 |
Family
ID=76170344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110200799.9A Pending CN112926773A (zh) | 2021-02-23 | 2021-02-23 | 乘车安全预警方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926773A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550425A (zh) * | 2021-10-30 | 2022-05-27 | 南京理工大学 | 一种基于毫米波雷达的行人感知车路协同预警装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778259A (zh) * | 2016-12-28 | 2017-05-31 | 北京明朝万达科技股份有限公司 | 一种基于大数据机器学习的异常行为发现方法及系统 |
CN111476177A (zh) * | 2020-04-10 | 2020-07-31 | 科航(苏州)信息科技有限公司 | 嫌疑人检测方法及装置 |
CN112381066A (zh) * | 2020-12-10 | 2021-02-19 | 杭州西奥电梯有限公司 | 乘梯异常行为识别方法、监测系统、计算机设备和存储介质 |
-
2021
- 2021-02-23 CN CN202110200799.9A patent/CN112926773A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778259A (zh) * | 2016-12-28 | 2017-05-31 | 北京明朝万达科技股份有限公司 | 一种基于大数据机器学习的异常行为发现方法及系统 |
CN111476177A (zh) * | 2020-04-10 | 2020-07-31 | 科航(苏州)信息科技有限公司 | 嫌疑人检测方法及装置 |
CN112381066A (zh) * | 2020-12-10 | 2021-02-19 | 杭州西奥电梯有限公司 | 乘梯异常行为识别方法、监测系统、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
BOWEN DU ETAL: "Detecting Pickpocket Suspects from Large-Scale Public Transit Records", 《 IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING 》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550425A (zh) * | 2021-10-30 | 2022-05-27 | 南京理工大学 | 一种基于毫米波雷达的行人感知车路协同预警装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Stg2seq: Spatial-temporal graph to sequence model for multi-step passenger demand forecasting | |
JP6893564B2 (ja) | ターゲット識別方法、装置、記憶媒体および電子機器 | |
WO2016145547A1 (en) | Apparatus and system for vehicle classification and verification | |
CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
CN108460427B (zh) | 一种分类模型训练方法、装置以及分类方法及装置 | |
US20150130638A1 (en) | Prediction of free parking spaces in a parking area | |
CN105224992A (zh) | 对等待乘客数进行预测的方法和系统以及评价方法和系统 | |
CN109446936A (zh) | 一种用于监控场景的身份识别方法及装置 | |
US20190394215A1 (en) | Method and apparatus for detecting cyber threats using deep neural network | |
CN112188534B (zh) | 一种异常检测方法和装置 | |
CN112132041A (zh) | 一种基于计算机视觉的社区巡更分析方法及其系统 | |
CN111818093A (zh) | 用于进行风险评估的神经网络系统、方法及装置 | |
CN112926773A (zh) | 乘车安全预警方法、装置、电子设备及存储介质 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
US20210089790A1 (en) | Bidirectional statistical consolidation of multi-modal grouped observations | |
CN113255527A (zh) | 混凝土卸料过程操作规范性监测方法及设备 | |
CN115169588A (zh) | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 | |
CN113486754B (zh) | 基于视频的事件演化预测方法、系统 | |
CN112733578B (zh) | 车辆重识别方法及系统 | |
US11928406B2 (en) | Systems and methods for creating infrastructure models | |
CN113192106A (zh) | 一种家畜跟踪方法及装置 | |
CN113496563B (zh) | 一种智慧闸口的管理方法、装置及设备 | |
Jaleel et al. | Towards Proactive Surveillance through CCTV Cameras under Edge‐Computing and Deep Learning | |
WO2006062483A1 (en) | Method and system for intelligent traffic incident management | |
CN111369791A (zh) | 落脚点确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |